Build with AI Bogotá

Build with AI Bogotá 2026: Lo que aprendí en el evento de IA más grande del año en Colombia

Los datos son la semilla. El análisis, la cosecha. Pero detrás de ambos, cada vez más, hay agentes de inteligencia artificial.

El pasado 13 de junio de 2026 tuve la oportunidad de asistir al Build with AI Bogotá 2026, organizado por el Google Developer Group (GDG) Bogotá en la Universidad de La Sabana. Más de 200 personas reunidas en un mismo lugar con una misma pregunta: ¿cómo construimos con IA de forma real, no solo teórica?

Este artículo es un resumen de lo que viví, las charlas que me llevo como profesional de datos.

¿Qué fue el Build with AI Bogotá 2026?

El evento combinó conferencias, workshops prácticos y networking, con ponentes de distintos países. El hilo conductor era claro: no hablar de IA de manera abstracta, sino construir con ella. Desde agentes autónomos hasta despliegues en producción sobre Google Cloud Platform, el nivel técnico fue alto y el enfoque, muy aplicado.

Fueron horas intensas que me dejaron con mucho para procesar, y con la certeza de que el ecosistema de IA en Colombia está madurando rápido.

Charla 1: Desplegando agentes de IA autónomos en GCP con OpenClaw + Notion

Una de las sesiones en las que participé fue el workshop de David Fajardo, Google Generative AI Leader, bajo el título "Agentic Workforces: Desplegando equipos de IA autónomos en GCP con OpenClaw + Notion".

La premisa era poderosa: ¿y si en lugar de un solo asistente de IA pudieras desplegar un equipo completo de agentes autónomos, cada uno con un rol definido, trabajando en paralelo o en secuencia, sin que tú tengas que intervenir?

La arquitectura que propuso

David presentó una arquitectura donde el cerebro del sistema es un Agente OpenClaw desplegado en una máquina virtual de Google Cloud Platform (GCP), específicamente en una instancia Compute Engine económica (e2-Small). Este agente se comunica con el usuario a través de Telegram (más seguro que WhatsApp, más amigable que un terminal), e interactúa con Notion y Google Workspace como fuentes de datos y contexto.

El componente que le da superpoderes al sistema es el Cron: un programador de tareas que dispara instrucciones al agente de forma automática, sin intervención humana. El Gateway monitorea el reloj, inyecta el payload (la instrucción), y el agente ejecuta.

Los tres archivos clave del agente

Lo que más me llamó la atención fue la forma en que David estructura el contexto del agente con solo tres archivos Markdown:

• SOUL.md: La identidad del agente. Su rol, misión, tono, directrices operativas y stack técnico preferido.

• MEMORY.md: El banco de decisiones técnicas. IDs de bases de datos, tokens, configuraciones, protocolos establecidos.

• AGENTS.md: La estructura del equipo. Quién es cada agente, qué hace, a quién reporta.

Simple, elegante y reproducible. Una forma de darle personalidad y memoria a un sistema de IA sin depender de herramientas complejas.

Casos de uso que presentó

Los ejemplos concretos que mostró fueron los que terminaron de convencerme de la utilidad práctica de esta arquitectura:

• Inbox Zero Automático: el agente entra a Gmail, lee los correos, los etiqueta por prioridad y archiva lo que no importa.

• El "Café" de la Mañana: revisa el calendario de Google y las tareas en Notion para darte un resumen al despertar.

• Scraping de prospectos: según un funnel definido en Notion, busca prospectos, actualiza la base de datos y envía correos automáticamente.

• Ritual de Cierre: al final del día, revisa lo logrado y limpia pendientes para el día siguiente.

• Calendario Editorial: sugiere y construye el calendario de publicaciones en redes sociales basado en el contexto del proyecto.

Ese último caso me llegó directo: como persona que gestiona contenido en este blog y en LinkedIn, la idea de tener un agente que proponga mi calendario editorial basado en mis proyectos activos y mis publicaciones pasadas es algo que exploraré pronto.

Charla 2: Deploy ADK Agents to Google Kubernetes Engine (GKE)

La segunda sesión que quiero destacar fue el codelab de Google sobre despliegue de agentes ADK en GKE (Agent Development Kit + Google Kubernetes Engine).

Si la charla de David fue sobre orquestar agentes con herramientas accesibles, esta fue sobre llevar un sistema multi-agente a producción real, con toda la infraestructura que eso implica.

El sistema de ejemplo: un equipo de guionistas

El caso de uso del codelab era un equipo de agentes colaborativos para crear pitches de películas:

• Un agente investigador (usa Wikipedia para recopilar hechos sobre un personaje histórico)

• Un agente guionista (escribe el logline y el esquema de tres actos)

• Un agente escritor de archivos (guarda el pitch final en un archivo .txt)

Estos tres agentes se orquestan como un SequentialAgent usando el Google Agent Development Kit (ADK), de modo que el resultado de uno alimenta al siguiente de forma automática.

¿Por qué GKE para producción?

Esta fue una de las preguntas centrales del codelab, y la respuesta fue muy clara. Desplegar en Google Kubernetes Engine ofrece:

• Escalabilidad automática: el HorizontalPodAutoscaler (HPA) añade o elimina réplicas según la carga de CPU, sin intervención manual.

• Eficiencia de costos: GKE Autopilot gestiona la infraestructura subyacente, y solo pagas por los recursos que tu aplicación solicita.

• Seguridad integrada: Workload Identity permite que los pods se autentiquen con APIs de Google Cloud sin necesidad de manejar claves JSON.

• Observabilidad: los logs se envían automáticamente a Cloud Logging para monitoreo centralizado.

El flujo técnico

Lo que me pareció muy valioso del codelab fue ver el proceso completo de extremo a extremo:

1. Definir los agentes en Python con el ADK

2. Crear el servidor web con FastAPI para exponer los agentes por HTTP

3. Contenerizar la aplicación con Docker

4. Subir la imagen al Artifact Registry de Google Cloud

5. Desplegar en un cluster GKE Autopilot

6. Configurar el HPA para escalar automáticamente

No es un flujo trivial, pero tampoco es inalcanzable. Y lo más importante: es el mismo flujo que usarías para cualquier aplicación cloud-native, solo que el core de la app son agentes de IA.

Reflexiones desde los datos

Salí del evento con varias ideas dando vueltas. Las más relevantes para quienes trabajamos en analítica y datos:

Los agentes no reemplazan al analista, lo amplifican. La inteligencia sigue siendo tuya: tú defines el SOUL.md del agente, tú decides qué fuentes de datos consulta, tú validas los resultados. El agente ejecuta las tareas repetitivas con mayor velocidad y consistencia.

La brecha entre prototipo y producción sigue siendo real. El codelab lo mostró con honestidad: hay un salto importante entre tener un agente funcionando en tu laptop y tenerlo corriendo de forma confiable en un servidor con escalabilidad y seguridad. GKE es una de las respuestas más sólidas para ese salto.

Orquestación es la nueva programación. Cada vez más, el trabajo técnico consiste en definir cómo interactúan los sistemas entre sí: qué agente le pasa información a cuál, en qué orden, con qué condiciones. Es una habilidad que quienes venimos del mundo de BI y datos ya entendemos bien, solo que aplicada a un nuevo paradigma.

¿Qué sigue?

Para mí, este evento fue un recordatorio de que la IA generativa ya no es una promesa del futuro: es una herramienta del presente. Y como en todo en analítica, la clave no está en la herramienta sino en saber qué pregunta quieres responder con ella.

En las próximas semanas voy a explorar algunos de los conceptos que vi en el evento, empezando por la arquitectura de OpenClaw aplicada a un caso de uso de gestión de contenido. Si te interesa ver ese experimento documentado en el blog, escríbeme por LinkedIn.

Los datos son la semilla. El análisis, la cosecha. Y los agentes, quizás, el nuevo tipo de agricultor.

¿Estuviste en el Build with AI Bogotá 2026? ¿Qué charla te pareció más interesante? Nos vemos en LinkedIn

Contacto

contacto@carolinaramirezpatino.com

Desarrollo @dieramb2